CN116756591B - 一种基于水胁迫条件估产模型的油茶遥感估产方法 - Google Patents
一种基于水胁迫条件估产模型的油茶遥感估产方法 Download PDFInfo
- Publication number
- CN116756591B CN116756591B CN202311067213.1A CN202311067213A CN116756591B CN 116756591 B CN116756591 B CN 116756591B CN 202311067213 A CN202311067213 A CN 202311067213A CN 116756591 B CN116756591 B CN 116756591B
- Authority
- CN
- China
- Prior art keywords
- farmland
- fruit tree
- day
- tree
- water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000005156 Dehydration Diseases 0.000 title claims abstract description 59
- 241001122767 Theaceae Species 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 24
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 112
- 241000526900 Camellia oleifera Species 0.000 claims abstract description 70
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000010521 absorption reaction Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 239000002689 soil Substances 0.000 claims abstract description 20
- 230000008020 evaporation Effects 0.000 claims abstract description 17
- 238000001704 evaporation Methods 0.000 claims abstract description 17
- 230000005068 transpiration Effects 0.000 claims abstract description 17
- 235000018597 common camellia Nutrition 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 15
- 240000001548 Camellia japonica Species 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims description 8
- 240000003553 Leptospermum scoparium Species 0.000 claims description 8
- 235000015459 Lycium barbarum Nutrition 0.000 claims description 8
- 230000004907 flux Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000010495 camellia oil Substances 0.000 claims 10
- 239000003921 oil Substances 0.000 claims 8
- 238000013135 deep learning Methods 0.000 abstract description 2
- 241000209507 Camellia Species 0.000 abstract 1
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及深度学习技术领域,公开了一种基于水胁迫条件估产模型的油茶遥感估产方法,包括以下步骤:步骤S101,根据每块油茶果树农田生长周期内每天的监测数据计算标定吸水量分布、标定蒸腾蒸发量和土水势;步骤S102,根据标定吸水量分布、标定蒸腾蒸发量和土水势计算水胁迫指数;步骤S103,根据每块油茶果树农田生长周期内每天的水胁迫指数构建邻接矩阵;步骤S104,基于邻接矩阵构建图网络;步骤S105,将图网络输入图神经网络,图神经网络输出的节点的最终矢量输入分类器,分类器的分类标签表示产量;本发明通过图神经网络消除了在水胁迫条件下油茶果树农田的监测数据的误差,并预测每块油茶果树农田的产量,提高了预估产量的准确度。
Description
技术领域
本发明涉及深度学习技术领域,更具体地说,它涉及一种基于水胁迫条件估产模型的油茶遥感估产方法。
背景技术
现有技术中一般是通过遥感等手段监测油茶果树在生长期内与水胁迫有关的数据来计算水胁迫指数,然后根据水胁迫指数来预估农田的产量;求解的过程中需要依赖作为样本的农田的监测数据,而在对目标农田进行产量预测时计算总胁迫指数时依旧需要目标农田的监测数据,对于平原地区,种植区域的多块农田之间基本不存在高度差,对于水的移动的影响较小,在进行多点采样统计获得农田的与水胁迫有关系的监测数据时的误差较小,而对于油茶果树来说,其种植于山地地区,农田之间的高度差明显,由于地势差导致水的移动,农田之间的水的移动会导致农田邻接部分与农田非邻接部分的水胁迫相关的监测数据的差距较大,在多点采样统计的过程中会为农田生成误差较大的水胁迫有关的监测数据;
因此在通过误差较大的水胁迫有关的监测数据进行水胁迫指数计算以及进一步估计产量的过程中会出现较大的误差。
发明内容
本发明提供一种基于水胁迫条件估产模型的油茶遥感估产方法,解决相关技术中通过误差较大的水胁迫有关的监测数据进行水胁迫指数计算以及进一步估计产量的过程中会出现较大的误差的技术问题。
本发明提供了一种基于水胁迫条件估产模型的油茶遥感估产方法,包括以下步骤:
步骤S101,根据每块油茶果树农田生长周期内每天的监测数据计算标定吸水量分布、标定蒸腾蒸发量和土水势;步骤S102,根据每块油茶果树农田生长周期内每天的标定吸水量分布、标定蒸腾蒸发量和土水势计算水胁迫指数;
步骤S103,根据每块油茶果树农田生长周期内每天的水胁迫指数构建邻接矩阵;基于每块油茶果树农田生长周期内每天的水胁迫指数计算每块油茶果树农田之间的相似度,获得相似度矩阵;将每天的相似度矩阵进行叠加,获得最终的相邻度矩阵;将相邻度矩阵中的元素值小于设定的第一阈值的元素删除,获得稀疏的邻接矩阵;邻接矩阵中的非空元素表示元素对应的行和列表示的农田之间存在连接;
步骤S104,基于邻接矩阵构建图网络;图网络包括与农田一一对应的节点,通过邻接矩阵对节点之间建立边;为节点生成节点矢量,节点矢量表示为{c1,c2,…,CN,d1,d2,…,dN},其中c1,c2,…,CN分别表示当前节点对应农田的第1天、第2天到第N天的水胁迫指数,d1,d2,…,dN分别表示当前节点对应的农田的第1天、第2天到第N天的根系深度的土水势;
步骤S105,将图网络输入图神经网络,图神经网络输出的节点的最终矢量输入分类器,分类器的分类标签表示产量;
图神经网络的训练采用预测区域的历史数据作为训练样本进行训练。
进一步地,标定吸水量分布的计算公式为:
其中,表示第j块油茶果树农田的第t天的标定吸水量分布,/>表示第j块油茶果树农田的第t天的油茶果树的平均根系深度,n表示油茶果实从生长到成熟需要的总天数,a表示油茶果树的生长系数,Hmax表示油茶果树的最大根系深度,w0表示油茶果树的潜在吸水速率;
标定蒸腾蒸发量的计算公式为:
其中,表示第j块油茶果树农田的第t天的标定蒸腾蒸发量,/>表示第j块油茶果树农田的第t天的油茶果树表面的平均净辐射,/>表示第j块油茶果树农田的第t天的土壤热通量,/>表示第j块油茶果树农田的第t天的油茶果树农田在2米高的日平均气温,/>表示第j块油茶果树农田的第t天的油茶果树农田在2米高的平均风速,es表示饱和水汽压,ea表示实际水汽压,Δ表示饱和水汽压曲线的斜率,r表示温度计常数。
进一步地,油茶果树的潜在吸水速率、油茶果实从生长到成熟需要的总天数、油茶果树的最大根系深度通过查询现有资料中获得。
进一步地,平均净辐射、土壤热通量、饱和水汽压、实际水汽压、饱和水汽压曲线的斜率、温度计常数通过现有技术手段获得。
进一步地,油茶果树的土水势通过土水势测量仪获得。
进一步地,水胁迫指数的计算公式为:
其中,表示第j块油茶果树农田的第t天的水胁迫指数,/>表示第j块油茶果树农田的第t天的标定蒸腾蒸发量,/>表示第j块油茶果树农田的第t天的标定吸水量分布,表示第j块油茶果树农田的第t天的油茶果树根系深度位置的土水势。
进一步地,油茶果树根系深度位置采集样本测量的平均根系深度,度过初期的油茶果树农田的油茶果树根系深度变化较小,测量的间隔时间采用一个月或者更长时间,测量的间隔时间内的根系深度可以取值为上一次的测量结果值。
进一步地,相似度计算公式为:
其中,表示第j块农田和第k块油茶果树农田的第t天的水胁迫相似度,/>表示第j块油茶果树农田的第t天的水胁迫指数,/>表示第k块油茶果树农田的第t天的水胁迫指数。
进一步地,图神经网络包括L层;
图神经网络第l层的计算公式如下:
其中,表示第l层的第i个节点的中间矢量,N(i)表示与节点i相连的邻居节点的集合,/>表示第l-1层的第j个节点的中间矢量,W(l)表示第l层的变换矩阵,σ表示sigmoid激活函数;
当l=1时,h(l-1)=θj,θj表示第j个节点的节点矢量;
图神经网络第L层输出的第i个节点的中间矢量作为其最终矢量。
进一步地,一块油茶果树农田的平均产量为0-100kg/㎡,将平均产量的值域[0,100]离散化为多个离散值,每个离散值作为一个分类标签。
本发明的有益效果在于:本发明通过图神经网络消除了在水胁迫条件下油茶果树农田的监测数据的误差,并预测每块油茶果树农田的产量,提高了预估产量的准确度。
附图说明
图1是本发明的基于水胁迫条件估产模型的油茶遥感估产方法流程图;
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,一种基于水胁迫条件估产模型的油茶遥感估产方法,包括以下步骤:
步骤S101,根据每块油茶果树农田生长周期内每天的监测数据计算标定吸水量分布、标定蒸腾蒸发量和土水势;
标定吸水量分布的计算公式为:
其中,表示第j块油茶果树农田的第t天的标定吸水量分布,/>表示第j块油茶果树农田的第t天的油茶果树的平均根系深度,n表示油茶果实从生长到成熟需要的总天数,a表示油茶果树的生长系数,Hmax表示油茶果树的最大根系深度,w0表示油茶果树的潜在吸水速率;
标定蒸腾蒸发量的计算公式为:
其中,表示第j块油茶果树农田的第t天的标定蒸腾蒸发量,/>表示第j块油茶果树农田的第t天的油茶果树表面的平均净辐射,/>表示第j块油茶果树农田的第t天的土壤热通量,/>表示第j块油茶果树农田的第t天的油茶果树农田在2米高的日平均气温,/>表示第j块油茶果树农田的第t天的油茶果树农田在2米高的平均风速,es表示饱和水汽压,ea表示实际水汽压,Δ表示饱和水汽压曲线的斜率,r表示温度计常数;
在本发明的一个实施例中,油茶果树的潜在吸水速率、油茶果实从生长到成熟需要的总天数、油茶果树的最大根系深度通过查询现有资料中获得;
在本发明的一个实施例中,平均净辐射、土壤热通量、饱和水汽压、实际水汽压、饱和水汽压曲线的斜率、温度计常数通过现有技术手段获得,在此不做赘述;
在本发明的一个实施例中,油茶果树的土水势通过土水势测量仪获得;
步骤S102,根据每块油茶果树农田生长周期内每天的标定吸水量分布、标定蒸腾蒸发量和土水势计算水胁迫指数;
水胁迫指数的计算公式为:
其中,表示第j块油茶果树农田的第t天的水胁迫指数,/>表示第j块油茶果树农田的第t天的标定蒸腾蒸发量,/>表示第j块油茶果树农田的第t天的标定吸水量分布,表示第j块油茶果树农田的第t天的油茶果树根系深度位置的土水势;
在本发明的一个实施例中,油茶果树根系深度位置采集样本测量的平均根系深度,度过初期的油茶果树农田的油茶果树根系深度变化较小,测量的间隔时间可以采用一个月或者更长时间,测量的间隔时间内的根系深度可以取值为上一次的测量结果值;
步骤S103,根据每块油茶果树农田生长周期内每天的水胁迫指数构建邻接矩阵;
基于每块油茶果树农田生长周期内每天的水胁迫指数计算每块油茶果树农田之间的相似度,获得相似度矩阵;
相似度计算公式为:
其中,表示第j块油茶果树农田和第k块农田的第t天的水胁迫相似度,/>表示第j块油茶果树农田的第t天的水胁迫指数,/>表示第k块油茶果树农田的第t天的水胁迫指数;
将每天的相似度矩阵进行叠加,获得最终的相邻度矩阵;
将相邻度矩阵中的元素值小于设定的第一阈值的元素删除,获得稀疏的邻接矩阵;
邻接矩阵中的非空元素表示元素对应的行和列表示的农田之间存在连接。
步骤S104,基于邻接矩阵构建图网络;
图网络包括与农田一一对应的节点,通过邻接矩阵对节点之间建立边;
为节点生成节点矢量,节点矢量表示为{c1,c2,…,cN,d1,d2,…,dN},其中c1,c2,…,cN分别表示当前节点对应农田的第1天、第2天到第N天的水胁迫指数,d1,d2,…,dN分别表示当前节点对应的农田的第1天、第2天到第N天的根系深度的土水势;
步骤S105,将图网络输入图神经网络,图神经网络输出的节点的最终矢量输入分类器,分类器的分类标签表示产量;
图神经网络包括L层;
图神经网络第l层的计算公式如下:
其中,表示第l层的第i个节点的中间矢量,N(i)表示与节点i相连的邻居节点的集合,/>表示第l-1层的第j个节点的中间矢量,W(l)表示第l层的变换矩阵,σ表示sigmoid激活函数;
当l=1时,θj表示第j个节点的节点矢量;
图神经网络第L层输出的第i个节点的中间矢量作为其最终矢量;
图神经网络的训练可以采用预测区域的历史数据作为训练样本进行训练。
在本发明的一个实施例中,一块油茶果树农田的平均产量为0-100kg/㎡,将平均产量的值域[0,100]离散化为多个离散值,每个离散值作为一个分类标签。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (10)
1.一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,包括以下步骤:
步骤S101,根据每块油茶果树农田生长周期内每天的监测数据计算标定吸水量分布、标定蒸腾蒸发量和土水势;步骤S102,根据每块油茶果树农田生长周期内每天的标定吸水量分布、标定蒸腾蒸发量和土水势计算水胁迫指数;
步骤S103,根据每块油茶果树农田生长周期内每天的水胁迫指数构建邻接矩阵;基于每块油茶果树农田生长周期内每天的水胁迫指数计算每块油茶果树农田之间的相似度,获得相似度矩阵;将每天的相似度矩阵进行叠加,获得最终的相邻度矩阵;将相邻度矩阵中的元素值小于设定的第一阈值的元素删除,获得稀疏的邻接矩阵;邻接矩阵中的非空元素表示元素对应的行和列表示的油茶果树农田之间存在连接;
步骤S104,基于邻接矩阵构建图网络;图网络包括与农田一一对应的节点,通过邻接矩阵对节点之间建立边;为节点生成节点矢量,节点矢量表示为{c1,c2,…,cN,d1,d2,…,dN},其中c1,c2,…,cN分别表示当前节点对应农田的第1天、第2天到第N天的水胁迫指数,d1,d2,…,dN分别表示当前节点对应的农田的第1天、第2天到第N天的根系深度的土水势;
步骤S105,将图网络输入图神经网络,图神经网络输出的节点的最终矢量输入分类器,分类器的分类标签表示产量;
图神经网络的训练采用预测区域的历史数据作为训练样本进行训练。
2.根据权利要求1所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,标定吸水量分布的计算公式为:
其中,表示第j块油茶果树农田的第t天的标定吸水量分布,/>表示第j块油茶果树农田的第t天的油茶果树的平均根系深度,n表示油茶果实从生长到成熟需要的总天数,a表示油茶果树的生长系数,Hmax表示油茶果树的最大根系深度,w0表示油茶果树的潜在吸水速率;
标定蒸腾蒸发量的计算公式为:
其中,表示第j块油茶果树农田的第t天的标定蒸腾蒸发量,/>表示第j块农田的第t天的油茶果树表面的平均净辐射,/>表示第j块油茶果树农田的第t天的土壤热通量,/>表示第j块农田的第t天的油茶果树农田在2米高的日平均气温,/>表示第j块农田的第t天的油茶果树农田在2米高的平均风速,es表示饱和水汽压,ea表示实际水汽压,Δ表示饱和水汽压曲线的斜率,r表示温度计常数。
3.根据权利要求2所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,油茶果树的潜在吸水速率、油茶果实从生长到成熟需要的总天数、油茶果树的最大根系深度通过查询现有资料中获得。
4.根据权利要求2所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,平均净辐射、土壤热通量、饱和水汽压、实际水汽压、饱和水汽压曲线的斜率、温度计常数通过现有技术手段获得。
5.根据权利要求1所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,油茶果树的土水势通过土水势测量仪获得。
6.根据权利要求1所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,水胁迫指数的计算公式为:
其中,表示第j块油茶果树农田的第t天的水胁迫指数,/>表示第j块油茶果树农田的第t天的标定蒸腾蒸发量,/>表示第j块油茶果树农田的第t天的标定吸水量分布,/>表示第j块油茶果树农田的第t天的油茶果树根系深度位置的土水势。
7.根据权利要求6所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,油茶果树根系深度位置采集样本测量的平均根系深度,度过初期的油茶果树农田的油茶果树根系深度变化较小,测量的间隔时间采用一个月或者更长时间,测量的间隔时间内的根系深度取值为上一次的测量结果值。
8.根据权利要求1所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,相似度计算公式为:
其中,表示第j块油茶果树农田和第k块农田的第t天的水胁迫相似度,/>表示第j块油茶果树农田的第t天的水胁迫指数,/>表示第k块油茶果树农田的第t天的水胁迫指数。
9.根据权利要求1所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,图神经网络包括L层;
图神经网络第1层的计算公式如下:
其中,表示第l层的第i个节点的中间矢量,N(i)表示与节点i相连的邻居节点的集合,/>表示第l-1层的第j个节点的中间矢量,W(l)表示第1层的变换矩阵,σ表示sigmoid激活函数;
当l=1时,h(l-1)=θj,θj表示第j个节点的节点矢量;
图神经网络第L层输出的第i个节点的中间矢量作为其最终矢量。
10.根据权利要求1所述的一种基于水胁迫条件估产模型的油茶遥感估产方法,其特征在于,一块油茶果树农田的平均产量为0-100kg/m2,将平均产量的值域[0,100]离散化为多个离散值,每个离散值作为一个分类标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311067213.1A CN116756591B (zh) | 2023-08-23 | 2023-08-23 | 一种基于水胁迫条件估产模型的油茶遥感估产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311067213.1A CN116756591B (zh) | 2023-08-23 | 2023-08-23 | 一种基于水胁迫条件估产模型的油茶遥感估产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756591A CN116756591A (zh) | 2023-09-15 |
CN116756591B true CN116756591B (zh) | 2023-12-08 |
Family
ID=87955667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311067213.1A Active CN116756591B (zh) | 2023-08-23 | 2023-08-23 | 一种基于水胁迫条件估产模型的油茶遥感估产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756591B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345039A (zh) * | 2018-11-13 | 2019-02-15 | 中国水利水电科学研究院 | 一种综合考虑水盐胁迫的作物产量预测方法 |
CN115829162A (zh) * | 2023-01-29 | 2023-03-21 | 北京市农林科学院信息技术研究中心 | 作物产量预测方法、装置、电子设备及介质 |
CN116541767A (zh) * | 2023-07-05 | 2023-08-04 | 中国农业大学 | 一种基于图神经网络的多元温室环境参数预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900009735A1 (it) * | 2019-06-21 | 2020-12-21 | Soonapse S R L | Sistema per l’ottimizzazione dell’uso dell’acqua nell’irrigazione sulla base del calcolo predittivo del potenziale idrico del terreno |
-
2023
- 2023-08-23 CN CN202311067213.1A patent/CN116756591B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345039A (zh) * | 2018-11-13 | 2019-02-15 | 中国水利水电科学研究院 | 一种综合考虑水盐胁迫的作物产量预测方法 |
CN115829162A (zh) * | 2023-01-29 | 2023-03-21 | 北京市农林科学院信息技术研究中心 | 作物产量预测方法、装置、电子设备及介质 |
CN116541767A (zh) * | 2023-07-05 | 2023-08-04 | 中国农业大学 | 一种基于图神经网络的多元温室环境参数预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
多植被指数组合的冬小麦遥感估产方法研究;王恺宁;王修信;;干旱区资源与环境(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116756591A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111727443A (zh) | 一种基于深度神经网络的土壤速效养分反演方法 | |
Farahani et al. | Evapotranspiration: progress in measurement and modeling in agriculture | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
Ramarohetra et al. | How satellite rainfall estimate errors may impact rainfed cereal yield simulation in West Africa | |
Sreelash et al. | Estimation of available water capacity components of two-layered soils using crop model inversion: Effect of crop type and water regime | |
He et al. | Mapping regional evapotranspiration in cloudy skies via variational assimilation of all-weather land surface temperature observations | |
CN112800636A (zh) | 一种估算无资料地区流域地表水资源量的方法及系统 | |
Xie et al. | Assimilation of leaf area index and surface soil moisture with the CERES-wheat model for winter wheat yield estimation using a particle filter algorithm | |
McNider et al. | A real-time gridded crop model for assessing spatial drought stress on crops in the Southeastern United States | |
Choudhary et al. | Random Forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine | |
CN108537679B (zh) | 遥感与作物模型融合的区域尺度作物出苗日期估算方法 | |
Jiang et al. | Modeling evapotranspiration and its components of maize for seed production in an arid region of northwest China using a dual crop coefficient and multisource models | |
Charoenhirunyingyos et al. | Soil moisture estimation from inverse modeling using multiple criteria functions | |
CN116756591B (zh) | 一种基于水胁迫条件估产模型的油茶遥感估产方法 | |
CN116629453B (zh) | 一种适用于作物全生育时期的遥感估产方法 | |
Zhang et al. | Effects of image spatial resolution and statistical scale on water stress estimation performance of MGDEXG: A new crop water stress indicator derived from RGB images | |
CN116861298A (zh) | 一种无资料地区的流域水文模型参数估计方法 | |
Lovelli et al. | Water use assessment in muskmelon by the Penman–Monteith “one-step” approach | |
Su et al. | An analysis of yearly trends in growing degree days and the relationship between growing degree day values and reference evapotranspiration in Turpan area, China | |
Mila et al. | Crop co-efficient values of sunflower for different growth stages by lysimeter study | |
Takács et al. | Application of AquaCrop in processing tomato growing and calculation of irrigation water | |
CN112949182A (zh) | 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法 | |
Melo et al. | Evapotranspiration and crop coefficients of melon plants measured by lysimeter and estimated according to FAO 56 methodology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |